Wpływ Social Media na życia studentów
1 Wprowadzenie
Celem niniejszego raportu jest analiza wpływu social media na życia studentów. Raport zawiera przegląd kluczowych danych, ich wizualizacje oraz obszerne wnioski. Zbiór danych zawiera 705 wierszy oraz 13kolumn.
1.1 Opis danych
Dane zawierają następujące kolumny:
2 Porządkowanie danych
2.1 Braki danych
W danych znajduje się 100 % kompletnych wartości.
2.2 Walidacja danych
- czy wiek przyjmuje wartości od 16 - 25?
- czy godziny przyjmują wartości 0 - 24?
- czy wszystkie wartości liczbowe są większe od 0?
- czy mental health score i addicted score przyjmują wartości 1 - 10?
- płeć - kobieta lub mężczyzna?
- academic level - high school, undergraduate, graduate?
- relationship status - single, in relationship, complicated?
- affects academic performance - yes/no?
reguly <- validator(
Age >= 16 & Age <= 25,
Gender %in% c("Female", "Male"),
Academic_Level %in% c("High School", "Undergraduate", "Graduate"),
Avg_Daily_Usage_Hours > 0 & Avg_Daily_Usage_Hours < 24,
Affects_Academic_Performance %in% c("Yes", "No"),
Sleep_Hours_Per_Night >= 0 & Sleep_Hours_Per_Night <= 24,
Mental_Health_Score >= 1 & Mental_Health_Score<=10,
Relationship_Status %in% c("In Relationship", "Single", "Complicated"),
Addicted_Score >= 1 & Addicted_Score <= 10
)## Warning: The 'barplot' method for confrontation objects is deprecated. Use
## 'plot' instead
3 Wizualizacja danych
3.1 Charakterystyka demograficzna badanej grupy studenckiej
3.1.1 Rozkład Płci i Poziomu Akademickiego
dane$Academic_Level <- factor(dane$Academic_Level,
levels = c("High School", "Undergraduate", "Graduate"))
dane$Gender <- factor(dane$Gender,
levels = c("Male", "Female")
)
ggplot(dane, aes(x = Academic_Level, fill=Gender)) +
geom_bar(position = "dodge") +
labs(title = "Rozkład płci i poziomu akademickiego",
x = "Poziom akademicki",
y = "Liczba studentów") +
theme_minimal()4 Statystyki opisowe
4.1 Tendencja centralna dla zmiennej Addicted Score
| platform | boxplot | histogram | points1 |
|---|---|---|---|
| KakaoTalk | |||
| LINE | |||
| Snapchat | |||
| TikTok | |||
| VKontakte | |||
| YouTube |
raport <- list("Addicted Score" =
list("Min"= ~ min(Addicted_Score),
"Max"= ~ max(Addicted_Score),
"Q1"= ~ quantile(Addicted_Score,0.25),
"Mediana"= ~ round(median(Addicted_Score),2),
"Q3"= ~ quantile(Addicted_Score,0.75),
"Średnia"= ~ round(mean(Addicted_Score),2),
"Odch. std."= ~ round(sd(Addicted_Score),2),
"IQR"= ~ round(IQR(Addicted_Score),2),
"Odch. ćwiartkowe"=~round(IQR(Addicted_Score)/2,2),
"Odch. std. w %"=~round((sd(Addicted_Score)/mean(Addicted_Score)),2), "Odch. ćwiartkowe w %"=~round((IQR(Addicted_Score)/median(Addicted_Score)),2), "Skośność"=~round(skew(Addicted_Score),2), "Kurtoza"=~round(kurtosi(Addicted_Score),2) ))
tabela_gender <- dane %>%
group_by(Gender) %>%
summarise(
Min = min(Addicted_Score),
Q1 = quantile(Addicted_Score, 0.25),
Mediana = median(Addicted_Score),
Q3 = quantile(Addicted_Score, 0.75),
Max = max(Addicted_Score),
Średnia = mean(Addicted_Score),
SD = sd(Addicted_Score),
Skośność = psych::skew(Addicted_Score),
Kurtoza = psych::kurtosi(Addicted_Score)
)
kable(tabela_gender,
digits = 2,
caption = "Tabela 4.2. Statystyki opisowe Addicted_Score w podziale na płeć") %>%
kable_paper("striped", full_width = FALSE)| Gender | Min | Q1 | Mediana | Q3 | Max | Średnia | SD | Skośność | Kurtoza |
|---|---|---|---|---|---|---|---|---|---|
| Male | 2 | 5 | 7 | 7 | 9 | 6.36 | 1.45 | -0.45 | -0.82 |
| Female | 3 | 5 | 7 | 8 | 9 | 6.52 | 1.71 | -0.24 | -1.05 |
library(ggstatsplot)
5 Wnioskowanie statystyczne
anova <- aov(Mental_Health_Score ~ Most_Used_Platform, data=dane)
dane |> aov(Mental_Health_Score ~ Most_Used_Platform, data=_) |> tidy() |> kbl() |> kable_classic(full_width = FALSE, html_font=“Cambria”)
3.4 Social media a zdrowie psychiczne
Wykres przedstawia linię regresji liniowej obrazującą zależność pomiędzy poziomem uzależnienia od social mediów a zdrowiem psychicznym studentów. Wraz ze wzrostem poziomu uzależnienia obserwuje się spadek wyników zdrowia psychicznego.